Este é o aplicativo do Windows chamado Reliable Metrics for Generative Models cuja versão mais recente pode ser baixada como Initialrelease.zip. Ele pode ser executado online no provedor de hospedagem gratuito OnWorks para estações de trabalho.
Baixe e execute online este aplicativo chamado Reliable Metrics for Generative Models with OnWorks gratuitamente.
Siga estas instruções para executar este aplicativo:
- 1. Baixe este aplicativo em seu PC.
- 2. Entre em nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que você deseja.
- 3. Carregue este aplicativo em tal gerenciador de arquivos.
- 4. Inicie qualquer emulador on-line OS OnWorks a partir deste site, mas um emulador on-line melhor do Windows.
- 5. No sistema operacional OnWorks Windows que você acabou de iniciar, acesse nosso gerenciador de arquivos https://www.onworks.net/myfiles.php?username=XXXXX com o nome de usuário que deseja.
- 6. Baixe o aplicativo e instale-o.
- 7. Baixe o Wine de seus repositórios de software de distribuição Linux. Depois de instalado, você pode clicar duas vezes no aplicativo para executá-lo com o Wine. Você também pode experimentar o PlayOnLinux, uma interface sofisticada do Wine que o ajudará a instalar programas e jogos populares do Windows.
Wine é uma forma de executar software Windows no Linux, mas sem a necessidade de Windows. Wine é uma camada de compatibilidade do Windows de código aberto que pode executar programas do Windows diretamente em qualquer desktop Linux. Essencialmente, o Wine está tentando reimplementar o suficiente do Windows do zero para que possa executar todos os aplicativos do Windows sem realmente precisar do Windows.
SCREENSHOTS
Ad
Métricas confiáveis para modelos generativos
DESCRIÇÃO
Métricas confiáveis de fidelidade e diversidade para modelos generativos (ICML 2020). Desenvolver métricas de avaliação indicativas para a tarefa de geração de imagens permanece um problema em aberto. A métrica mais amplamente utilizada para medir a similaridade entre imagens reais e geradas tem sido a pontuação Fréchet Inception Distance (FID). Por não diferenciar os aspectos de fidelidade e diversidade das imagens geradas, trabalhos recentes introduziram variantes de métricas de precisão e recuperação para diagnosticar essas propriedades separadamente. Neste artigo, mostramos que mesmo a versão mais recente das métricas de precisão e revocação (Kynkäänniemi et al., 2019) ainda não são confiáveis. Por exemplo, eles falham em detectar a correspondência entre duas distribuições idênticas, não são robustos contra outliers e os hiperparâmetros de avaliação são selecionados arbitrariamente. Propomos métricas de densidade e cobertura que resolvem os problemas acima.
Funcionalidades
- Métricas de precisão e recall
- Métricas de densidade e cobertura
- Teste 10000 amostras reais e falsas da distribuição normal padrão N(0,I) no espaço euclidiano de 1000 dimensões
- Gerar muitas amostras falsas em torno do outlier real é suficiente para aumentar a medida de precisão
- Defina o vizinho mais próximo k = 5
- Precisão, recall, densidade e estimativas de cobertura
Linguagem de Programação
Python
Categorias
Este é um aplicativo que também pode ser obtido em https://sourceforge.net/projects/reliable-met-gen-mod.mirror/. Ele foi hospedado em OnWorks para ser executado online da maneira mais fácil a partir de um de nossos Sistemas Operativos gratuitos.
